スマートフォンを用いた歩行者自律航法のための水平加速度に基づいた歩き方の違いに頑健な進行方向推定

DOI 情報処理学会

書誌事項

タイトル別名
  • Gait-Robust Heading Estimation Based on Horizontal Acceleration for Pedestrian Dead Reckoning with Smartphones

この論文をさがす

説明

本研究ではスマートフォンを用いた歩行者自律航法（PDR: Pedestrian Dead Reckoning）による測位のための進行方向推定に取り組む．スマートフォンの保持姿勢の変化に対応するには，加速度などの特徴に基づいてセンサ姿勢と進行方向の関係を考慮する手法が有効である．しかし既存手法には横歩きや後ろ歩きといった歩き方の違いに対する頑健性の不足などの課題がある．そこで我々は深層学習によって水平加速度の多様な時空間的特徴を考慮して進行方向を推定する手法を提案する．提案手法では測定した加速度，重力加速度，回転ベクトルからグローバル座標系における水平加速度を計算し，一定期間の水平加速度を深層学習モデルに入力してその間の平均進行方向を指す単位ベクトルを予測させる．複数の歩き方に対応したデータセットを作成し，Convolutional Neural Network（CNN），Bidirectional Long Short-Term Memory（BiLSTM），DualCNN-LSTM，DualCNN-Transformerの4つのモデルを用いて提案手法の有効性を検証した．その結果，提案手法は既存手法と比べて歩き方に対する頑健性が向上しており，DualCNN-LSTMとDualCNN-Transformerモデルを用いたときに特に高精度であることが分かった．

This study tackles heading estimation for positioning with smartphone-based Pedestrian Dead Reckoning (PDR). In dealing with changes in the holding posture of smartphones, it works to consider the relationship between sensor orientation and heading on the basis of features such as acceleration distribution. However, the existing methods lack robustness against gait differences, for example, sideways and backward walking. Therefore, we propose a novel approach considering various spatiotemporal features of horizontal acceleration with deep learning. The proposed method calculates horizontal acceleration in the global coordinate system from measured acceleration, gravitational acceleration, and rotation vector. Then, it inputs the horizontal acceleration over a certain period into a deep neural network model and predicts the unit vector directed to the mean heading during that period. We created a dataset supporting multiple gaits and evaluated the method using four models: Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BiLSTM), DualCNN-LSTM, and DualCNN-Transformer. The result showed that the proposed method improved gait robustness compared to the existing and especially achieved the highest accuracy when using the DualCNN-LSTM and DualCNN-Transformer models.

収録刊行物

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ